? кількість точок у навчальній послідовності;

- значення, розраховані нейромережею,

4. Обчислення цільової функції генетичного алгоритму:

де ? кількість точок у контрольній послідовності. Якщо то виведення результатів.

5. Якщо то перехід на крок 6, в іншому випадку ? перехід на крок 3.

6. Виконання процедур кросоверу, мутації, визначення і відбір потенційних розв'язків наступної епохи. Перехід до кроку 2.

Розроблений еволюційний метод відновлення пропусків у даних має ряд переваг. Так, його використовування можливе за мінімальних обмежень на початкову інформацію. Таблиця початкових даних може мати довільну розмірність і структуру пропусків. Верифікація методу і порівняльний аналіз здійснені для вибірки, згенерованої штучно за залежністю , та за даними Агентства енергетики США. Результати наведені у табл. 2.

Для моделювання використані метод заповнення середнім значенням (Mean), метод К-сусідів (KNear), ZET, ZETBraid, еволюційний (EvoGap), ітераційний метод головних компонент (IMPC). Результати свідчать про ефективність розробленого методу у випадку порівняно значної кількості пропусків. Так при 20% пропусків у штучно згенерованих даних відносна похибка результатів на 5% є меншою, ніж у найточнішого з інших методів, і є порівняною при 10% пропусків серед даних Агентства енергетики США.

Виконано дослідження та розроблено еволюційний метод відновлення пропусків серед значень результуючої характеристики, якщо має місце залежність Він базується на комбінації двох парадигм "м'яких обчислень": генетичному алгоритмі і нейронній мережі. Остання є моделлю невідомої залежності. Генетичний алгоритм застосовується для генерації потенційних розв'язків задачі відновлення даних, які використовуються при навчанні нейромережі, а також для цілеспрямованого пошуку з елементами випадковості ? еволюції нейронної мережі, яка полягає у формуванні множини вагових коефіцієнтів з метою мінімізації цільової функції.

Запропоновано три процедури відновлення пропусків, що базуються на:

? композиції генетичного алгоритму і розрахунку кореляційного відношення;

? композиції генетичного алгоритму і нейромережі;

? композиції генетичного алгоритму, нейромережі і розрахунку кореляційного відношення.

Таблиця 2

Результати моделювання (відносна похибка, %)

Згенеровані дані
Пропусків, %	Mean	kNear	ZET	ZetBraid	EvoGap	IMPC
2	16,501255	8,4403134	13,114524	8,5471068	17,836599	12,242091
5	16,925059	11,132878	11,893992	14,362881	15,036553	14,270675
10	17,118701	8,8638628	14,620332	21,308160	14,654407	15,886364
15	16, 200009	15,341497	23,675102	28,806661	14,234163	13,595433
20	16,909087	31,098353	37,126143	23,670818	10,762543	15,705607
Дані Агентства енергетики США
2	4,5729101	0,0107003	0,0050332	3,9505827	5,3920042	4,0285157
4	4,1783937	0,0773203	0,0187332	4,0654029	3,238668	2,759648
6	2,2950815	0,0194678	0,2366542	4,8692056	3,0488692	2,4423553
8	3,0088346	1,1316859	1,103474	3,2886411	1,8289279	2,1133602
10	4, 2018216	1,5365204	6,1615755	3,5213561	1,5902241	1,805679

Для всіх трьох процедур покрокова схема методу відновлення даних є такою:

1. Ініціалізація вибіркової популяції ( елементів).

2. Обчислення значень цільової функції для всіх потенційних розв'язків з .

3. Виконання операцій кросоверу та мутації над розв'язками з та віднесення їх до проміжної популяції .

4. Обчислення значення цільової функції для елементів .

5. Серед розв'язків з і розв'язків з відбір розв'язків, які відповідають мінімальному значенню цільової функції і віднесення їх до популяції .

6. Якщо не виконана умова зупинки, то і перехід на крок 3.

Умовою зупинки є одна із таких:

1. де ? задане натуральне число.

2. де ? значення цільової функції для -го розв'язку з популяції , ? задане значення.

3. де ? задане додатне число, або де .

4. де ? середнє значення цільової функції для елементів .

У першій процедурі цільова функція є такою:

де ? вектор відновлених з допомогою генетичного алгоритму пропусків, та ? значення коефіцієнтів кореляції між значеннями факторів і результуючою характеристикою комплектної матриці та матриці з відновленими значеннями, відповідно.

Цільова функція у другій процедурі:

де ? кількість точок контрольної сукупності;

? значення результуючої характеристики із таблиці даних;

? розраховані нейромережею значення результуючої характеристики.

У третьому випадку цільова функція є такою:

(6)

де і ? коефіцієнти, що визначають важливість її складових.

Численні експерименти вказують на те, що перша процедура виконується найшвидше, але точність розв'язку є найменшою. У результаті використання другої процедури розв'язок задачі є точнішим, але швидкість збіжності методу як і раніше залишається низькою (рис.4, а). Причиною цього є досить широка область пошуку розв'язку. Очевидно, що прискорити роботу алгоритму можна за рахунок оптимізації області пошуку. Для цього використовуватимемо знання коефіцієнтів кореляції. При цьому необхідно зауважити, що кореляція не повинна бути домінуючим чинником при обчисленні цільової функції, оскільки у такому разі отриманий розв'язок, буде зміщеним. Динаміка цільової функції (6) показана на рис.4, б. Очевидно, що алгоритм з такою цільової функцією збігається швидше і досягається вища точність.

Експериментальна верифікація розробленого методу виконана з використанням двох вибірок: першої, згенерованої штучно за багатофакторною лінійною залежністю, із 4-20% пропусків серед значень результуючої характеристики та другої, яка містила дані про фінансовий стан підприємства, із такою ж кількістю пропусків.

Для порівняльного аналізу використано відомий метод відновлення пропусків - метод Бартлета. Усереднені результати 10 експериментів є такими. Відносна помилка на контрольних точках першої вибірки склала 0,5% для методу Бартлета та 2% для еволюційного методу з цільовою функцією (6). Така точність пояснюється існуванням точної лінійної залежності, а також тим, що метод Бартлетта є неітераційним методом. При додаванні до значень результуючої характеристики нормально розподілених випадкових значень з математичним сподіванням рівним нулю і одиничним середньоквадратичним відхиленням відносна помилка збільшилась до 2-4%, причому і для неітераційного методу Бартлета, і для запропонованих методів вона була майже однаковою. Дещо більше (5%), в середньому, склала помилка для методу, що є композицією еволюційного моделювання і використання як зовнішнього критерію коефіцієнта кореляції.

Для другої вибірки результати значно відрізнялися. Цей факт можна пояснити тим, що лінійна залежність була не очевидною і на множині вхідних факторів мала місце мультиколінеарність. Метод Бартлета виявився найменш точним із усіх методів, що розглядалися, оскільки середня відносна помилка на контрольних точках перевищувала 100%, що свідчить про його непридатність для розв'язання подібного роду задач.

Близькі до оптимальних результати отримані при композиційному використовуванні разом із генетичним алгоритмом і нейронною мережею коефіцієнта кореляції в ролі зовнішнього критерію, що дозволило звузити область пошуку розв'язку. Середня відносна помилка складала 4-8%, причому менший простір пошуку відповідав вищій точності розв'язку.

Таким чином, верифіковано гіпотезу про раціональність застосування еволюційного моделювання в задачах, атрибутами яких є невизначеність, неповнота або неоднозначність початкових даних. Експериментально підтверджено ефективність методів, що базуються на елементах еволюційного моделювання в задачах відновлення пропусків в даних для вхідних факторів і для результуючої характеристики у припущенні про існування лінійної залежності.

У п'ятому розділі розглянуто одну з перших задач прийняття рішень, яку необхідно розв'язувати при створенні СТС, а саме визначення компетентності експертів. Запропоновано методи визначення компетентності експертів в умовах різнопланової невизначеності. В їх основу покладено аксіому незміщеності: "Судження більшості компетентні" та її наслідок про те, що найбільш компетентним є той експерт, судження якого у більшості випадків співпали з висновками більшості експертів. Розроблено процедуру, яка лежить в основі методів визначення компетентності експертів в умовах невизначеності. Її кроки:

1. Виконання класифікації можливих питань анкети.

2. У відповідності до результатів кроку 1 ОПР формує базу питань.

3. Формування бази відповідей кожного експерта.

4. Для кожного питання обчислення ступеня близькості відповідей експертів і формування відповідних матриць.

5. Обчислення інтегральної матриці близькості відповідей експертів.

6. Розрахунок компетентності експертів.

7. Коригування значень компетентності у залежності від початкових умов.

Формально задача є такою. Нехай ? кількість експертів, ? кількість питань, причому , де ? кількість питань -го типу, відповідно до вищевикладеної класифікації. Необхідно визначити рівні компетентності експертів

Сутність методу полягає у визначенні елементів матриць, що містять значення близькості суджень експертів, їх аналізі і перетвореннях, у результаті яких будуть визначені рівні компетентності експертів. Компетентність експертів як результат виконання кроку 6 обчислюють за формулою

, (7)

де ? розраховане значення близькості відповідей -го і -го експертів.

Безпосередньо із задачею визначення компетентності експертів пов'язана і задача встановлення значення певного параметра СТС в умовах невизначеності. Нехай ? невідоме значення. Кожний експерт стверджує, що це значення дорівнює Необхідно знайти найбільш достовірну оцінку значення , якщо компетентності експертів невідомі.

Для кожного експерта розрахуємо значення

Очевидно, що компетентність експерта визначається так:

(8)

де ? деякий параметр. Знайшовши значення з (8), одержуємо остаточне значення компетентності

Оцінку невідомого значення розраховуємо як середньозважену за компетентностями величину оцінок експертів.

Запропоновано процедури коригування (7) у залежності від того, чи бере участь ОПР в оцінці компетентностей експертів, яку роль відіграє його оцінка тощо.

Розроблено метод вибору оптимальної альтернативи в умовах композиційної невизначеності, що викликана факторами ймовірнісної та суб'єктивної природи, та вказано на ситуації, коли його застосування є проблематичним.

Зазначено, що суб'єктивний фактор у проведенні експертиз призводить до зміщеності експертних суджень. Для того, щоб уникнути неправильних рішень, ОПР повинна коригувати і адаптувати свої висновки до персонального складу експертних комісій і умов зовнішнього середовища. Запропоновано моделі, які базуються на комбінації традиційних методів і методів теорії нейронних мереж, та вказують на один із шляхів до вирішення цієї проблеми. Розроблено процедуру коригування експертних висновків, застосування якої дозволяє нівелювати вплив суб'єктивних висновків, що визначаються різними факторами, та знаходити близькі до оптимальних розв'язки.

У шостому розділі розроблено технології розв'язання задач дискретної оптимізації в умовах невизначеності з урахуванням експертних висновків.

Зокрема, удосконалено еволюційний метод визначення оптимального шляху за критерієм мінімуму часу з повним та оптимізованим простором пошуку. Без обмеження загальності вважатимемо, що структура доріг є прямокутною (рис.5). Пронумеруємо кожне перехрестя у відповідності з центрально-радіальною схемою. Початкова точка має нульовий номер, найвіддаленішому "північно-східному перехрестю" відповідає найбільший номер. Кількість перехресть Розглянутій структурі доріг відповідає матриця відстаней між перехрестями де відстань від -го до -го перехрестя. Знаючи середню швидкість руху, матриці відстаней можна поставити у відповідність матрицю часу проїзду між перехрестями

Припустимо, що кінцева точка знаходиться між двома перехрестями і Тоді необхідно визначити оптимальний маршрут, що відповідає розв'язанню задачі пошуку

(9)

де ? маршрут руху, що є впорядкованою сукупністю перехресть;

? час проїзду від початкової до кінцевої точки;

? загальна довжина

? вектор кількості перехресть, що відповідають маршруту

? матриця інтервалів часу та відповідної завантаженості ділянок доріг, якими відбувається поїздка;

? матриця показників якості дорожнього покриття, в значеннях яких враховано і погодні умови;

? матриці неврахованих факторів;

? коефіцієнти, які вказують на значущість факторів (можуть бути константами та нечіткими числами);

? коефіцієнт впливу неврахованих факторів у реальному часі.

Значення функції (9) обчислюється алгоритмічно.

Розглянуто аспекти формування моделей цільової функції, зокрема, алгоритмічний варіант, і наведено еволюційний метод розв'язання задачі визначення маршруту проїзду пожежного автомобіля до місця пожежі. Потенційний розв'язок є впорядкованою сукупністю перехресть маршруту. Пошук оптимального розв'язку здійснено з використанням гібридного методу. Елементи розв'язку (номери перехресть) є цілими невід'ємними числами. Одноточковий кросовер виконується над двома розв'язками, якщо вони мають однаковий елемент (два маршрути проходять через одне перехрестя). Для запобігання "влучання" цільової функції в локальний оптимум передбачена процедура мутації. Відбувається вона з ймовірністю 0,01 за такою схемою. Випадковим чином визначається потенційний розв'язок, який підлягає мутації, та його елемент . Його значення змінюється на одне з двох можливих (номери сусідніх перехресть), "хвіст" розв'язку розраховується випадковим чином, але з урахуванням можливості маршруту. Далі виконується елітний відбір розв'язків до нової сукупності. Виконано експериментальну реалізацію методу, яка вказує на відповідність його результатів та експертних висновків.

Запропоновано еволюційну технологію для визначення часу і шляху поширення пожежі від точки його виникнення до особливо небезпечного об'єкта. Вона базується на продукційних правилах, що визначаються експертним шляхом. Ядром такої технології є використання методів Soft Computing для ідентифікації часу і маршруту поширення вогню, а також оптимізації параметрів відповідної залежності. Розглянуто аспекти розв'язання вказаної задачі за допомогою нейро-нечіткої мережі та еволюційних методів.

Сформульовано задачі аналізу інформації і визначення тенденцій динаміки ринку нерухомості з метою зменшення ризику інвестиційної політики та врахування вимог закону рівності попиту і пропозиції.

У сьомому розділі виконано розробку концептуальних принципів побудови інформаційно-аналітичних систем, які є інструментальними засобами для підтримки прийняття рішень на початкових етапах життєвого циклу СТС, а також виконана експериментальна верифікація розроблених моделей і методів. Зокрема, на основі композиційного методу виконано препроцесінг даних для аналізу і прогнозування ринку нерухомості, розроблено структурно-функціональну схему інформаційно-аналітич-ної системи "REMA".

Результати експериментальної верифікації, одержані внаслідок її функціонування, засвідчили, що попередня обробка даних дозволила покращити результати прогнозування як всередині, так і зовні області дослідження.

Розроблено структурно-функціональну схему інформаційно-аналітичної системи "БЕЗПЕКА" призначену для комплексного інформаційно-консультативного супроводу процесів прийняття рішень при пожежогасінні типових житлових та особливо небезпечних об'єктів. Виконано експериментальну верифікацію методу визначення компетентності експертів на базі аксіоми незміщеності, як першого етапу розв'язання задач системного проектування.

Виконано порівняльний аналіз результатів застосування класичних методів кластеризації та розробленого еволюційного методу. Вихідними даними вибрані показники соціально-економічного розвитку регіонів України. Відзначені переваги останнього методу, зокрема збільшена точність кластеризації та визначені еталони у кожному кластері.

Для розв'язання задачі відновлення пропусків у таблицях даних вибрано інформацію національного енергетичного центру США та згенеровані за відомою залежністю значення. Застосування розроблених методів дозволило одержати результати, які мають досить високу точність у порівнянні з результатами використання інших методів. У випадку пропусків серед значень результуючої характеристики, яка є нелінійною залежністю вхідних факторів, відновлення їх значень з використанням інших технологій невідоме.

Висновки

У дисертаційному дослідженні сформульовано і вирішено важливу науково-технічну проблему підвищення ефективності процесів прийняття рішень при створенні складних технічних систем шляхом розробки моделей, методів, інструментальних засобів ідентифікації та прогнозування в умовах невизначеності на основі еволюційної парадигми. Результатом виконаних теоретичних та експериментальних досліджень є розроблені методологічні основи зменшення невизначеності на основі ієрархії рівнів прийняття рішень, інтегруючим елементом яких є еволюційні технології. У роботі отримано такі нові теоретичні та практичні результати:

1. Запропоновано концепцію інформаційно-аналітичного супроводу складної технічної системи по етапах її життєвого циклу, яка полягає у використанні композиції елементів чотирьох наукових парадигм: програмування життєвого циклу, системного підходу та системного аналізу, еволюційного моделювання і препроцесінгу інформації. Така інтеграція спрямована на зменшення невизначеності початкових етапів життєвого циклу складних технічних систем за рахунок об'єктивізації експертних висновків і довизначення відсутньої інформації шляхом прогнозування та технологічного передбачення. В їх основі лежить необхідність розв'язання задач ідентифікації та оптимізації на базі еволюційної парадигми, що передбачає застосування еволюційних алгоритмів як для структурної та параметричної ідентифікації цільових функції, так і для пошуку їх оптимальних значень.

2. На базі системного підходу розроблено технологію максимізації критерію ефективності складної технічної системи на протязі її життєвого циклу як залежності від задач, структур та стратегій управління. Головними складовими технології є застосування нейромереж як моделей критерію ефективності та еволюційних алгоритмів ? як методів його оптимізації.

3. Розроблено комбінований метод зменшення невизначеності при розв'язанні задачі ідентифікації багатофакторних залежностей, що базується на препроцесінгу вихідної інформації. Підвищення інформативності даних досягається за рахунок композиційного використання методів "box-counting", "вибілювання" входів та нелінійного аналогу методу головних компонент, реалізованого з використанням автоасоціативних нейромереж.

4. Запропоновано метод композиційного подолання невизначеності в задачах нелінійної багатофакторної оптимізації поліекстремальних та негладких залежностей, в якому інтегровано еволюційне моделювання з елементами теорії ймовірностей та теорії нечітких множин, що дозволило скоротити часові витрати на непродуктивний пошук оптимуму цільової функції.

5. Вперше розроблено метод нейромережного планування процесу проектування складних систем в умовах значної інформаційної невизначеності. З його допомогою прогнозують тривалості робіт і час їх початку як нечіткі величини за умови відсутності ретроспективної інформації.

6. Удосконалено нейромережні методи ідентифікації таблично заданих залежностей шляхом звуження області зміни параметрів та їх оптимізації за допомогою генетичного алгоритму, що дозволило зменшити вплив поганої обумовленості матриці значень активаційних функцій на навчання нейромережі та підвищити точність розв'язання екстраполяційних задач.

7. Розроблено еволюційний метод розв'язання задачі кластеризації складних об'єктів, за допомогою якого збільшено точність її розв'язку за рахунок відсутності попарних порівнянь, використання цілеспрямованого пошуку та елементів випадковості для "вибивання" цільової функції з локальних мінімумів.

8. Для задачі відновлення пропусків серед значень вхідних факторів та результуючих характеристик розроблено еволюційні методи, що є інваріантними до виду залежності і застосування яких визначається мінімальними обмеженнями на початкові дані, їх розмірність та структуру пропусків. Використання таких методів дозволяє ефективно відновлювати дані таблиць, в яких є відсутнім до 30% інформації.

9. Вперше розроблено технологію об'єктивізації експертних висновків, яка включає в себе концептуальні принципи проектування експертних систем, та моделі процесу прийняття адаптивних рішень композиційної структури з детермінованими та ймовірнісними характеристиками. Удосконалено процедуру визначення компетентності експертів на базі аксіоми незміщеності. Її застосування спрямоване на зменшення невизначеності та коригування експертних висновків у випадку їх зміщеності.

10. Запропоновано еволюційні моделі і методи для розв'язання задач дискретної оптимізації в умовах невизначеності з урахуванням суб'єктивних висновків. Наукові результати дисертації направлені на підвищення ефективності процесів прийняття рішень при створенні складних технічних систем в умовах невизначеності за рахунок моделювання їх еволюції та використання одержаних результатів для оптимізації параметрів системи із урахуванням необхідності майбутніх модифікацій структури та стратегії управління. Для одержаних теоретичних результатів виконано експериментальну верифікацію, яка підтвердила їх достовірність. Впровадження результатів досліджень в ряді організацій підкреслює продуктивність запропонованих технологій та їх інваріантність до предметних галузей.

Список опублікованих праць за темою дисертації

1. Гнатієнко Г.М. Експертні технології прийняття рішень: [монографія] / Г.М. Гнатієнко, В. Є. Снитюк. - К.: McLaut, 2008. - 444 с.

2. Системная модель оптимизации производственных процессов / А.А. Тимченко, В.Ф. Юзвенко, В.Е. Снитюк [и др.] // Вестник Харьковского государственного политехнического университета. ? 1999. - Вып.71 - С.145-147.

3. Снитюк В. Є. Задача вибору оптимальної альтернативи в умовах композиційної невизначеності / В. Є. Снитюк // Вісник Черкаського інженерно-технологічного інституту. - 2000. ? № 2. ? С.140-145.

4. Снитюк В.Е. Модели и методы определения компетентности экспертов на базе аксиомы несмещенности / В.Е. Снитюк, Рифат Мохаммед Али // Вісник Черкаського інженерно-технологічного інституту. ? 2000. ? № 4. - С.121-126.

5. Сєркова Л.Е. Структурний аналіз інформаційної моделі управління вищим навчальним закладом / Л.Е. Сєркова, В. Є. Снитюк // АСУ и приборы автоматики. - 2001. ? Вып.114. ? С.49-54.

6. Снитюк В. Є. Еволюційна парадигма проектування технічних систем / В. Є. Снитюк, А.А. Тимченко, С.В. Стась // Вісник Черкаського інженерно-технологічного інституту. ? 2001. ? № 4. - С.104-108.

7. Златкін А.А. Композиційний метод еволюційного моделювання у проектних задачах / А.А. Златкін, В. Є. Снитюк // Вісник Житомирського інженерно-технологічного університету. - 2001. ? № 19. ? С.130-133.

8. Снитюк В. Є. Технологія data mining і засоби її реалізації / В. Є. Снитюк, С.О. Говорухін // Вісник Черкаського державного технологічного університету. ? 2002. ? № 3. ? С.80-84.

9. Шарапов В.М. Биокибернетический метод определения оптимума целевой функции в условиях неопределенности / В.М. Шарапов, В.Е. Снитюк // Искусственный интеллект. ? 2002. ? № 4. ? С.123-130.

10. Снитюк В.Е. Модели процесса принятия адаптивных решений композиционной структуры с детерминированными и вероятностными характеристиками / В.Е. Снитюк, Рифат Мохаммед Али // Радиоэлектроника и информатика. - 2002. ? № 4. - С.123-127.

11. Снитюк В. Є. Концептуальні принципи та методи проектування систем автоматизованого контролю знань / В. Є. Снитюк // АСУ и приборы автоматики. - 2003. - Вып.123. - С.40-43.

12. Снитюк В.Е. Эволюционно-параметрическая оптимизация RBF-сети / В.Е. Снитюк, В.М. Шарапов // Искусственный интеллект. - 2003. ? № 4. ? С.493-501.

13. Снитюк В. Є. Нейромережеве планування процесу проектування з використанням апарату теорії нечітких множин / В. Є. Снитюк // Вестник Херсонского государственного технического университета. 2003. № 2 (18). С.249-253.

14. Снитюк В.Е. Интеллектуальная технология оптимизации пути следования пожарного расчета к месту пожара / В.Е. Снитюк, О.М. Джулай // АСУ и приборы автоматики. - 2004. - Вып.129. - С.41-47.

15. Снитюк В.Е. Композиционное преодоление неопределенности в задачах нелинейной многофакторной оптимизации / В.Е. Снитюк // Искусственный интеллект. - 2004. ? № 4. ? С. 207-210.

16. Тазетдінов В.А. Структуризація і формалізація задач ринку нерухомості / В.А. Тазетдінов, А.А. Тимченко, В. Є. Снитюк // Вісник Черкаського державного технологічного університету. - 2004. ? № 2. - С.22-27.

17. Снитюк В.Е. Аспекты эволюционного моделирования в задачах оптимизации / В.Е. Снитюк // Искусственный интеллект. - 2005. ? № 4. С.284-291.

18. Бойко О.М. Концептуальний аналіз критеріальних функцій та методів теорії розкладів / О.М. Бойко, В. Є. Снитюк // Вісник Черкаського державного технологічного університету. ? 2006. ? № 1. ? С.33-38.

19. Снитюк В.Е. Эволюционное моделирование и программирование жизненного цикла технических систем в детерминированных условиях / В.Е. Снитюк // Искусственный интеллект. - 2006. - № 4. С.10-15.

20. Снитюк В.Е. Аспекты нечеткости при моделировании процессов распространения пожара на особо опасных объектах / В.Е. Снитюк, А.А. Быченко // АСУ и приборы автоматики. - 2006. - Вып.134. - С.89-93.

21. Снитюк В.Є. Еволюційне моделювання ? парадигма об'єктивізації процесу розв'язання задач штучного інтелекту / В.Є. Снитюк // Вісник Житомирського державного технологічного університету. ? 2007. ? № 1. ? С.164-168.

22. Снитюк В.Е. Программирование жизненного цикла сложной системы в условиях неопределенности / В.Е. Снитюк // Искусственный интеллект. - 2007. - № 4. С.562-567.

23. Биченко А.О. Нечітка ідентифікація процесів поширення пожежі на особливо небезпечних об'єктах в умовах невизначеності / А.О. Биченко, В. Є. Снитюк // Вісник Черкаського державного технологічного університету. ? 2007. ? № 1-2. ? С.43-45.

24. Мирошник О.М. Системний аналіз проблеми визначення області компромісу між безпекою та вартістю житла / О.М. Мирошник, В. Є. Снитюк, С.В. Стась // Управління проектами, системний аналіз і логістика. - 2008. - № 5. - С.133-136.

25. Снитюк В.Є. Оптимізація процесу оцінювання в умовах невизначеності на основі структуризації предметної області та аксіоми незміщеності / В.Є. Снитюк, Г.М. Гнатієнко // Искусственный интеллект. - 2008. - № 3. С.217-222.

26. Snytyuk V. Evolutionary Technique for Filling Data Gaps in Outcome Variable Values / V. Snytyuk, S.govorukhin // Вестник НТУ "ХПИ". - 2007. ? № 7. ? С.44-53.

27. Snytyuk V. Evolutionary clustering of complex systems and processes / V. Snytyuk // Information Theories and Applications. ? 2006. ? Vol.13. ? № 4. ? P.344-349.

28. Snytyuk V. Evolutionary technique of shorter route determination of fire brigade following to fire place with the optimized space of search / V. Snytyuk, O. Dghulay // Information Technologies and Knowledge. ? 2007. ? Vol.1, № 4. ? P.325-332.

29. Снитюк В.Е. Информационно-аналитические модели и эволюционные аспекты решения задачи комплектования / В.Е. Снитюк, П.П. Кучер // Decision Making and Business Intelligence Strategies and Techniques. - Vol.2, № 3. - 2008. - P.133-138.

30. Снитюк В.Е. Технология нечеткого прогнозирования характеристик сложных объектов и систем / В.Е. Снитюк, С.А. Говорухин // Artificial Intelligence and Decision Making, Supplement to Int. Journal "Information Technologies and Knowledge". - 2008. - Vol.2, № 7. - P.117-122.

31. Снитюк В.Е. Применение метода стохастической релаксации для прогнозирования рынка недвижимости / В.Е. Снитюк, В.А. Тазетдинов // Сб. докладов межд. научн. конф. "Нейросетевые технологии и их применение". - Краматорск, 2003. ? С.226-236.

32. Идентификация критериальной функции на базе самоорганизации моделей / А.А. Тимченко, В.Е. Снитюк, Л.П. Оксамытная [и др.] // Труды II Всеросс. научн. конф. "Проектирование научных и инженерных приложений в среде Matlab". - М.: ИПУ РАН, 2004. - С.706-714.

33. Снитюк В.Е. Эволюционная кластеризация сложных объектов и процессов / В.Е. Снитюк // Сб. докладов XI межд. конф. "Knowledge-Dialogue-Solution”. - Варна, Болгария, 2005. - С.232-237.

34. Snytyuk V. Neural network techniques of indeterminacy minimization in nonlinear identification tasks / V. Snytyuk // Proc. of VIII Int. сonf. "PRIP'2005". - Minsk, Republic of Belarus, 2005. - P.438-441.

35. Снитюк В.Е. Эволюционный метод восстановления пропусков в данных / В.Е. Снитюк // Сб. трудов VI межд. конф. "Интеллектуальный анализ информации". К., 2006. С.262-271.

36. Снитюк В.Е. Эволюционный метод определения кратчайшего пути проезда пожарного расчета к месту пожара с оптимизированным пространством поиска / В.Е. Снитюк, А.Н. Джулай // Сб. докладов XII межд. конф. "Knowledge-Dialogue-Solution". - Варна, Болгария, 2006. - С.243-251.

37. Снитюк В.Е. Эволюционное моделирование процесса распространения пожара / В.Е. Снитюк, А.А. Быченко // Сб. докладов XIII межд. конф. "Knowledge-Dialogue-Solution”. - Варна, Болгария, 2007. - С.247-254.

38. Гнатієнко Г.М. Експертні технології прийняття рішень / Г.М. Гнатієнко, В. Є. Снитюк // Зб. доповідей наук. - практ. конф. з міжн. участю "Системи підтримки прийняття рішень. Теорія і практика". - К., 2008. - С.16-20.

39. Снитюк В. Є. Еволюційний метод нечіткого пошуку глобального оптимуму цільової функції / В. Є. Снитюк // Тези доповідей міжн. школи-семінару "Теорія прийняття рішень". - Ужгород, 2004. - С.86.

40. Snytyuk V. Identification of goal function of a special type by neural nets technique / V. Snytyuk // Тези доповідей міжн. конф. "Prediction and decision making under uncertainties (PDMU-2004)". - Тернопіль, 2004. ? С.57-59.

41. Снитюк В. Є. Технології soft computing - сучасний базис процесів аналізу, прийняття рішень та прогнозування / В. Є. Снитюк // Тези доповідей II міжн. наук. - практ. конф. "Математичне та програмне забезпечення інтелектуальних систем". - Дніпропетровськ, 2004. - С.18-19.

42. Снитюк В. Є. Еволюційне моделювання процесу відновлення відсутніх значень у таблицях даних / В. Є. Снитюк // Тези доповідей VII міжн. наук. - техн. конф. "САІТ-2005". - К., 2005. С.157.

43. Снитюк В.Е. Препроцессинг априорной информации - необходимое условие эффективной идентификации / В.Е. Снитюк // Тези доповідей 12 міжн. конф. з автоматичного управління "Автоматика-2005". - Харків, 2005. - С.134-135.

44. Снитюк В.Є. Ідентифікація і прогнозування на основі нейромережевого сингулярного розкладу / В.Є. Снитюк // Тези доповідей міжн. конф. "Prediction and decision making under uncertainties (PDMU-2005)". - Бердянськ, 2005. - С.221-223.

45. Биченко А.О. Ідентифікація швидкості поширення пожежі на особливо небезпечних об'єктах в умовах невизначеності / А.О. Биченко, В. Є. Снитюк // Тези доповідей XIII міжн. конф. з автоматичного управління "Автоматика-2006". - Вінниця, 2006. ? C.77.

46. Снитюк В.Є. Еволюційна парадигма проектування складних технічних систем / В.Є. Снитюк // Тези доповідей XIV міжн. конф. з автоматичного управління "Автоматика-2007". - Севастополь, 2007. ? С.96-97.

47. Снитюк В.Є. Еволюційна технологія спрямованої оптимізації / В. Є. Снитюк // Тези доповідей Х міжн. наук. - практ. конф. "Системний аналіз та інформаційні технології". ? К., 2008. - С.253.

48. Снитюк В.Є. Еволюційне моделювання людських потоків у критичних умовах / В.Є. Снитюк // Тези доповідей IV міжн. школи-семінару "Теорія прийняття рішень". - Ужгород, 2008. - С.157-158.

Анотація

Снитюк В.Є. Еволюційні технології прийняття рішень в умовах невизначеності. - Рукопис.

Дисертація на здобуття наукового ступеня доктора технічних наук за спеціальністю 05.13.06 - Інформаційні технології. - Інститут проблем математичних машин і систем Національної академії наук України, Київ, 2009.

Дисертація присвячена вирішенню науково-технічної проблеми - підвищення ефективності процесів прийняття рішень при створенні складних технічних систем шляхом розробки моделей, методів, інструментальних засобів ідентифікації та прогнозування в умовах невизначеності на основі еволюційної парадигми.

Запропоновано концепцію інформаційно-аналітичного супроводу складної технічної системи по етапах її життєвого циклу, яка полягає у використанні композиції елементів чотирьох наукових парадигм: програмування життєвого циклу, системного підходу та системного аналізу, еволюційного моделювання і препроцесінгу інформації. Така інтеграція спрямована на зменшення невизначеності на початкових етапах життєвого циклу систем за рахунок об'єктивізації експертних висновків і довизначення відсутньої інформації шляхом прогнозування та технологічного передбачення. В їх основі лежить необхідність розв'язання задач ідентифікації та оптимізації на базі еволюційної парадигми, що передбачає застосування еволюційних алгоритмів як для структурної та параметричної ідентифікації цільових функції, так і для пошуку їх оптимальних значень.

Розроблено методи ідентифікації та оптимізації складних залежностей на базі композиційного застосування технологій "м'яких" обчислень. Запропоновано методи збільшення інформативності вихідних даних, а також еволюційні методи кластеризації та відновлення втраченої інформації. Удосконалено технологію визначення компетентності експертів на базі аксіоми незміщеності та запропоновано технологію об'єктивізації суб'єктивних суджень.

Розглянуто практичні застосування запропонованих еволюційних моделей та методів і вказано на їх достовірність та ефективність.

Ключові слова: складна технічна система, невизначеність, прийняття рішень, еволюційні технології.

Аннотация

Снитюк В.Е. Эволюционные технологии принятия решений в условиях неопределенности. - Рукопись.

Диссертация на соискание ученой степени доктора технических наук по специальности 05.13.06 - Информационные технологии. - Институт проблем математических машин и систем Национальной академии наук Украины, Киев, 2009.

Диссертационная работа посвящена решению важной научно-технической проблемы - повышения эффективности процессов принятия решений при создании сложных технических систем путем разработки моделей, методов, инструментальных средств идентификации и прогнозирования в условиях неопределенности на основе эволюционной парадигмы.

В первой главе выполнен анализ процессов принятия решений на начальных этапах создания сложных технических систем в условиях неопределенности. Показано, что значительное количество задач на этом этапе решается с помощью прогнозирования и технологического предвидения. Для увеличения точности их результатов используется подход, согласно которому моделирование системы заменено на моделирование ее эволюции с учетом прогнозируемой динамики внутреннего состояния и внешней среды.

Вторая глава посвящена методологическим аспектам исследования. В частности, эволюционное моделирование представлено как технология структурной, параметрической идентификации и оптимизации сложных зависимостей. Разработан комбинированный метод последовательного преодоления неопределенности, в результате применения которого формируется множество значимых факторов и решается задача повышения информативности их значений.

Синтез функции эффективности функционирования сложной технической системы в третьей главе предложено осуществлять с использованием нейросетевых технологий. Разработана гибридная технология оптимизации параметров нейросети с радиально-базисными функциями активации и усовершенствован метод стохастической релаксации за счет использования разных распределений при обучении нейросети.

В четвертой главе разработаны эволюционные методы, позволяющие уменьшить априорную энтропию при решении задач идентификации. В частности, предложены методы кластеризации, восстановления утерянных и пропущенных данных, что подтвердило гипотезу о рациональности применения эволюционного моделирования в задачах, атрибутами которых являются неопределенность, неполнота или неоднозначность информации.

Пятая главе посвящена методам уменьшения неопределенности процессов принятия решений, обусловленной субъективными факторами. Усовершенствована процедура определения компетентности экспертов на основе аксиомы несмещенности, а также предложен метод корректировки экспертных заключений, что позволяет минимизировать влияние субъективных предпочтений. Разработан метод выбора оптимальной альтернативы в условиях композиционной неопределенности, обусловленной факторами объективной и субъективной природы.

В шестой главе выполнена формализованная постановка и решена задача определения оптимального пути по критерию минимума времени его прохождения в условиях неопределенности с учетом экспертных заключений. Разработана технология оптимизации пространства решений и исследован эволюционный метод решения задачи в полном и оптимизированном пространстве решений. Предложена процедура определения кратчайшего пути на основании экспертных заключений в форме продукционных правил с использованием нейро-нечеткого моделирования.

Заключительная глава посвящена концептуальным принципам построения информационно-аналитических систем, которые являются инструментальными средствами для поддержки принятия решений на начальных этапах создания сложных систем, в ней также выполнена экспериментальная верификация разработанных моделей и методов. Разработаны структурно-функциональные схемы информационно-аналитических систем для решения задач научных исследований и информационно-консультативного сопровождения процессов принятия решений.

Рассмотрено практические применения предложенных эволюционных моделей и методов, указано на их достоверность и эффективность.

Ключевые слова: сложная техническая система, неопределенность, принятие решений, эволюционные технологии.

Abstract

Snytyuk V.E. Evolutionary technologies of decision making under uncertainties. - Manuscript.

Thesis for a doctor technical science degree by specialty 05.13.06 - Information technologies. - Institute of problems of mathematical machines and systems, National Academy of Science of Ukraine, Kyiv, 2009.

Dissertation is devoted to decision of the important research problem of efficiency increasing of the decision making processes by creation of the complex technical systems in way of models, methods and applications development of identifications and forecasting in uncertainty conditions on the base of evolutionary paradigms.

The concept of information-analytical accompaniment of the complex technical system on stage its life cycle, which is concluded in use the elements composition of four scientific paradigms: life cycle programming, system approach and system analysis, evolutionary modelling and information preprocessing, is offered. Such integration is directed on the uncertainties reduction on initial stage of the life cycle systems to account objectivity of expert conclusion and hipping being absent information by prediction and technological forecasting. In their base lies need of the identifications and optimization problems decision on the base of evolutionary paradigms that expects use of evolutionary algorithms as for structured and parametric identification objective function, so and for searching their best values.

Methods of identification and optimization for complex dependencies on the base of composite using Soft Computing technologies are developed. Methods of the information increasing for source data, as well as evolutionary methods to clustering and renewal data gaps are offered. Technology of the expert's qualification determination on base of the unbiasedness axiom is improved and technology for subjective conclusions objectivity is offered.

Practical applications of offered evolutionary models and methods are considered and on their validity and efficiencies is specified.

Key words: complex technical system, uncertainty, decisions making, evolutionary technologies.

Размещено на Allbest.ru

...